学位论文 > 优秀研究生学位论文题录展示

基于SVM的图像分类研究

作　者: 武伟
导　师: 张明新
学　校: 西北师范大学
专　业: 计算机应用技术
关键词: 支持向量机 图像分类 多类分类 特征提取 遗传算法 K近邻
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 413次
引　用: 2次
阅　读: 论文下载
 

内容摘要


随着数码设备、网络及多媒体技术的发展,人们在工作、学习和日常生活中产生的图像数据呈现了爆炸式的增长方式,如何合理而又高效地组织海量的图像数据、结合图像低层特征,将数字图像进行分类和检索是目前的一个研究热点之一。支持向量机(Support Vector Machine,SVM)是上世纪九十年代提出的一种基于小样本的新的统计学习方法,较好地解决了非线性、高维数、局部极小点等实际问题。由于其具有全局最优、结构简单、推广能力强等优点,支持向量机被认为是一种高效的有优越表现的分类器,因此基于SVM的图像分类成为图像分类的重要理论和技术。本文所做的研究工作主要包括以下几方面:1.鉴于单一视觉特征不能很好地表达图像内容,提取了融合颜色、纹理、空间关系的综合特征作为SVM的输入向量。2.结合结构风险最小化原则分析了误差惩罚参数C和高斯核宽度s对SVM性能的影响,在此基础上提出了基于遗传算法的SVM参数优选方法,实验结果表明由该方法所得参数确定的SVM具有较优的识别率和较简单的结构。3.总结了目前存在的基于支持向量机的各类主要分类方法,包括“一对多”方法、“一对一”方法、决策有向无环图方法、基于二叉树的支持向量机多类分类方法和其它几种方法,比较了他们的优缺点以及性能。接下来本文提出了基于GA(遗传算法)和KNN(K近邻)的SVM多类分类算法,训练时利用遗传算法对SVM分类树结构进行优化,生成最优(较优)分类树;在分类时,对于分类树下层可分性差的类别,采用SVM与KNN相结合的方法进行判别。实验表明,与传统方法相比,本文提出的方法分类精度更高,生成的分类树结构更合理。

全文目录


摘要  4-5
Abstract  5-9
第一章 绪论  9-16
  1.1 课题研究的背景和意义  9-10
  1.2 研究现状  10-13
    1.2.1 分类方法研究现状  10-12
    1.2.2 支持向量机研究现状  12-13
  1.3 论文的主要研究内容  13-14
  1.4 论文的组织结构  14-16
第二章 统计学习理论和支持向量机  16-29
  2.1 统计学习理论  17-20
    2.1.1 学习过程一致性条件  17-18
    2.1.2 VC 维  18
    2.1.3 推广性的界  18-19
    2.1.4 结构风险最小化  19-20
  2.2 支持向量机  20-29
    2.2.1 线性可分支持向量机  20-22
    2.2.2 线性不可分支持向量机  22-23
    2.2.3 非线性支持向量机  23-24
    2.2.4 SVM 核函数  24
    2.2.5 SVM 的优点与不足  24-25
    2.2.6 SVM 训练算法简介  25-26
    2.2.7 SVM 学习算法步骤  26-27
    2.2.8 基于SVM 的图像分类体系结构  27-29
第三章 图像特征提取与表达  29-40
  3.1 颜色特征  29-35
    3.1.1 颜色空间  29-31
    3.1.2 颜色矢量的量化  31-34
    3.1.3 颜色特征提取  34-35
  3.2 空间特征  35-36
  3.3 纹理特征  36-38
    3.3.1 描述纹理的方法  36-37
    3.3.2 灰度共生矩阵法  37-38
  3.4 特征向量归一化  38-40
第四章 SVM 分类模型参数优选  40-51
  4.1 遗传算法  40-42
    4.1.1 遗传算法发展史  40
    4.1.2 遗传算法的应用  40-41
    4.1.3 遗传算法概要  41
    4.1.4 遗传算法操作步骤  41-42
  4.2 SVM 参数对其性能的影响  42-43
  4.3 穷举法  43
  4.4 基于遗传算法的SVM 分类模型参数优选  43-46
    4.4.1 编码解码方式及编码区间的选择  43
    4.4.2 适应度函数的设计  43-44
    4.4.3 选择操作  44
    4.4.4 交叉操作  44-45
    4.4.5 变异操作  45
    4.4.6 停止条件  45-46
    4.4.7 算法流程  46
  4.5 实验与结果分析  46-51
第五章 SVM 多类分类算法研究  51-63
  5.1 引言  51
  5.2 基于支持向量机的多类分类器的构造与比较  51-56
    5.2.1 一次性求解法  51-52
    5.2.2 通过组合多个二值分类器来构造多类分类器  52-56
    5.2.3 SVM 多类分类算法比较  56
  5.3 基于GA 和KNN 的SVM 多类分类算法  56-63
    5.3.1 训练过程  57-59
    5.3.2 分类过程  59-60
    5.3.3 实验与结果分析  60-63
第六章 总结和展望  63-64
  6.1 总结  63
  6.2 下一步工作展望  63-64
参考文献  64-68
攻读硕士期间发表的学术论文  68
攻读硕士期间参与的科研项目  68-69
致谢  69

相似论文

  1. 天然气脱酸性气体过程中物性研究及数据处理,TE644
  2. 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
  3. 压气机优化平台建立与跨音速压气机气动优化设计,TH45
  4. 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
  5. 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
  6. 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
  7. 音乐结构自动分析研究,TN912.3
  8. 基于三维重建的焊点质量分类方法研究,TP391.41
  9. 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
  10. Q学习在基于内容图像检索技术中的应用,TP391.41
  11. 直推式支持向量机研究及其在图像检索中的应用,TP391.41
  12. 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
  13. 空间交会接近视觉测量方法研究,TP391.41
  14. 图像实时采集、存储与处理方法研究,TP391.41
  15. 唇读中的特征提取、选择与融合,TP391.41
  16. 多币种纸币处理技术的研究与实现,TP391.41
  17. 基于类Harr特征和最小包含球的纸币识别方法的研究,TP391.41
  18. 基于图像的路面破损识别,TP391.41
  19. 移动机器人视觉检测和跟踪研究,TP242.62
  20. 高光谱与高空间分辨率遥感图像融合算法研究,TP751
  21. 基于支持向量机的故障诊断方法研究,TP18

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com